EDIC 框架实现外部数据逐指令合规，有害拒绝率提升 7.7%
原文标题：Identify, Classify, Act: Per-Instruction Controlled Compliance for LLMs over External Data
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
针对外部文档中合法指令与提示注入混杂的问题，论文提出「外部数据指令分类」任务与 EDIC 分解奖励框架。它用场景化数据注入与反事实过滤构建训练数据，并以 GRPO 精调生成式评判器，在指令级别区分有益与有害合规。在两个骨干模型、五个基准上，EDIC 同时提升安全性与实用性，Qwen3-4B 上有害拒绝率提升 7.7%，Arena-Hard-Auto 实用性提升 12.5%。
- 问题
- 外部文档中合法指令与提示注入混杂，现有防御只能全信或全拒。
- 方法
- 提出外部数据指令分类任务与EDIC分解奖励框架，用场景化注入加反事实过滤造数据，以GRPO精调生成式评判器做指令级归因。
- 结果
- Qwen3-4B上有害拒绝率提升7.7%，Arena-Hard-Auto实用性提升12.5%，两个骨干模型五个基准均同时提升安全与实用。
- 影响
- 让RAG与工具调用场景能逐条指令区分该听和该拒，避免过度拒绝，可直接接入RL训练流程。
深读 · 结论先行AI 生成展开看要点与影响 ↓
EDIC按指令区分有益与有害合规，Qwen3-4B有害拒绝率升7.7%、实用性升12.5%。
- •论文把外部数据中合法指令与提示注入混杂的问题，形式化为逐指令分类任务。
- •用场景化数据注入加反事实过滤构建训练数据，并以GRPO精调生成式评判器。
- •评判器产出分解奖励，分别鼓励有益合规、惩罚有害合规，用于RL训练。
- •在两个骨干模型、五个基准上同时提升安全性与实用性，Qwen3-4B上两项指标分别为7.7%和12.5%。
为什么重要：针对外部文档与工具返回中注入攻击的实用防御，缓解了过度拒绝与过度服从之间的二选一。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。